Code
IGYF CSC 8607
Niveau
M2
Graduate
Graduate
Semestre
Fall
Domaine
Informatique
Programme
Programme Ingénieur
Langue
Français/French
Crédits ECTS
4
Heures programmées
45,5
Charge de travail
45,5
Coordonnateur(s)
Département
- Informatique
Organisation
Cours/TD/TP/projet/examen : Cours, TP, projet, examenAcquis d'apprentissage
À l'issue de ce cours, les étudiants auront développé une maîtrise théorique et pratique et seront capables de :
•
Compétences CDIO
- 1.3 - Connaissances avancées en ingénierie : méthodes et outils
- 2.2 - Méthodes scientifiques : expérimentation, enquête et initiation à la recherche
- 2.2.2 - Etat de l'art
Prérequis
Connaissances en algèbre linéaire (vecteurs, matrices). Bases en calcul différentiel. Introduction à la programmation en Python. Notions de probabilité et de statistiques.
Mots-clés
deep learning, perceptron, réseaux de convolution, réseaux récurrents, réseaux d'attention, backpropagation, optimisation, régularisation, apprentissage supervisé, intelligence artificielle
Contenu
La finalité de ce cours est de rendre les étudiants autonomes dans la création, l'entraînement et l'évaluation de modèles d'intelligence artificielle complexes. Le programme théorique couvre les concepts suivants :
•
Evaluation
Notes totales : 20 points.
• Contrôle continu : 20%
• Projets : 40%
• Contrôle final : 40%
Seuil de validation : 10/20.
Formule de l'évaluation
L’évaluation sera réalisée de manière continue et finale :
• Contrôle continu (4 points) : 4 mini-tests sur les notions clés.
• Projets (8 points) : Un ou plusieurs projets mettant en œuvre les concepts vus en cours.
• Contrôle final (8 points) : Évaluation écrite pour tester la compréhension globale.
Bibliographie
https://www-inf.telecom-sudparis.eu/COURS/CSC8607/Supports/
Approches pédagogiques
Le cours adopte une approche mêlant théorie et pratique :
• Cours magistraux pour poser les bases conceptuelles.
• Travaux dirigés (TD) pour appliquer les notions apprises à des problèmes concrets.
• Projets permettant aux étudiants de concevoir et d’entraîner leurs propres modèles de deep learning.
• Études de cas sur des applications réelles pour illustrer les concepts.
L'accent sera mis sur l'expérimentation et la réflexion critique sur les résultats obtenus.